IN9400 – Maskinlæring for bildeanalyse
Beskrivelse av emnet
Kort om emnet
Emnet gir en innføring i teorien bak sentrale maskinlæringsalgoritmer som brukes i bildeanalyse. Videre beskrives utvalgte metoder og verktøy for dyp læring.
Hva lærer du?
Etter å ha tatt dette emnet:
- Har du god kunnskap om hvordan nevrale nett er bygget opp og hvordan backpropagation fungerer
- Har du god kunnskap om hvordan et nett trenes i praksis, og hvordan treningsprosessen kan overvåkes
- Kjenner du de sentrale matematiske metodene brukt i algoritmene
- Kjenner du ulike nettverksarkitekturer og i hvilke sammenhenger de er egnet
- Har du kunnskap om overtrening, generalisering, og validering og hvordan best mulig generalisering kan oppnås
- Vet du hvordan konvolusjonsnettverk virker og hvordan disse kan tilpasses ulike formål.
- Har du grunnleggende kunnskap i temaer som unsupervised learning, recurrent networks, og reinforcement learning.
- Har du erfaring i å bruke verktøy for dyp læring som f.eks. Tensorflow
Ph.d.-varienten vil i tillegg se på utvalgte nye fagartikler innen dyp læring
Opptak til emnet
Ph.d.-kandidater ved UiO søker plass på undervisningen og melder seg til eksamen i Studentweb.
Hvis emnet har begrenset kapasitet, vil ph.d.-kandidater som har emnet i sin utdanningsplan ved UiO bli prioritert. Noen nasjonale forskerskoler kan ha egne regler for rangering av søkere til emner med begrenset kapasitet.
Ph.d.-kandidater som har opptak ved andre utdanningsinstitusjoner må innen angitt frist søke om hospitantplass.
Anbefalte forkunnskaper
MAT1110 – Kalkulus og lineær algebra/MAT1120 – Lineær algebra
Overlappende emner
- 10 studiepoeng overlapp med IN5400 – Maskinlæring for bildeanalyse (videreført).
- 10 studiepoeng overlapp med INF5860 – Maskinlæring for bildeanalyse (videreført).
- 10 studiepoeng overlapp med INF9860 – Maskinlæring for bildeanalyse (videreført).
- 8 studiepoeng overlapp med IN3310 – Dyp læring for bildeanalyse.
- 8 studiepoeng overlapp med IN4310 – Deep Learning for Image Analysis.
Undervisning
2 timer forelesning og 2 timer seminargrupper hver uke.
Det kreves innlevering og godkjenning av obligatoriske øvelser.
Eksamen
Avsluttende hjemmeeksamen som teller 100% av endelig karakter.
Alle obligatoriske øvelser må være godkjent for å kunne gå opp til eksamen.
Som eksamensforsøk i dette emnet teller også forsøk i følgende tilsvarende emner: IN4310 – Deep Learning for Image Analysis, IN3310 – Dyp læring for bildeanalyse, IN5400 - Maskinlæring for bildeanalyse, INF5860 - Maskinlæring for bildeanalyse (videreført), INF9860 - Maskinlæring for bildeanalyse (videreført)
Hjelpemidler til eksamen
Ingen hjelpemidler
Karakterskala
Emnet bruker karakterskala bestått/ikke bestått. Les mer om karakterskalaen.
Adgang til ny eller utsatt eksamen
Studenter som dokumenterer gyldig fravær fra ordinær eksamen, kan ta utsatt eksamen i starten av neste semester.
Det tilbys ikke ny eksamen til studenter som har trukket seg under ordinær eksamen, eller som ikke har bestått.
Mer om eksamen ved UiO
- Kildebruk og referanser
- Tilrettelegging på eksamen
- Trekk fra eksamen
- Syk på eksamen / utsatt eksamen
- Begrunnelse og klage
- Ta eksamen på nytt
- Fusk/forsøk på fusk
Andre veiledninger og ressurser finner du på fellessiden om eksamen ved UiO.